卡尔曼滤波算法含详细推导.pptxVIP

卡尔曼滤波算法及推导 1、kalman滤波问题考虑一离散时间的动态系统，它由描述状态向量的过程方程和描述观测向量的观测方程共同表示。（1）、过程方程 式中，M 1向量x(n)表示系统在离散时间n的状态向量，它是不可观测的；M M矩阵F（n+1,n）成为状态转移矩阵，描述动态系统在时间n的状态到n+1的状态之间的转移，应为已知。而M 1向量 为过程噪声向量，它描述状态转移中间的加性噪声或误差。 1、kalman滤波问题（1）、观测方程 式中，N 1向量y(n)表示动态系统在时间n的观测向量；N M矩阵C（n）称为观测矩阵（描述状态经过其作用，变成可预测的），要求也是已知的；v2(n)表示观测噪声向量，其维数与观测向量的相同。过程方程也称为状态方程，为了分析的方便，通常假定过程噪声v1(n)和观测噪声v2(n)均为零均值的白噪声过程，它们的相关矩阵分别为：1、kalman滤波问题1、kalman滤波问题还假设状态的初始值x(0)与v1(n) 、 v2(n)，n 0均不相关，并且噪声向量v1(n)与v2(n)也不相关，既有：2、新息过程考虑一步预测问题，给定观测值y(1), ...，y(n-1)，求观测向量y(n)的最小二乘估计，记作 （1）、新息过程的性质 y(n)的新息过程定义为：式中，N 1向量 表示观测数据y(n)的新的信息，简称新息。2、新息过程新息 具有以下性质：性质1 n时刻的新息 与所有过去的观测数据y(1), ...，y(n-1)正交，即：性质2新息过程由彼此正交的随机向量序列{ } 组成，即有 2、新息过程性质3 表示观测数据的随机向量序列{y(1) ,…y(n)}与表示新息过程的随机向量序列{a(1),…a(n)} 一一对应 ，即以上性质表明：n时刻的新息a(n)是一个与n上课之前的观测数据y(1), ...，y(n-1)不相关，并具有白噪声性质的随机过程，但它却能够提供有关y(n)的新息，这就上信息的内在物理含义。2、新息过程（2）、新息过程的计算 下面分析新息过程的相关矩阵 在kalman滤波中，并不直接估计观测数据向量的进一步预测 ，而是先计算状态向量的一步预测然后再用到下式得到 ：2、新息过程将上式代入新息过程的定义式（6），可得到：这就是新息过程的实际计算公式，条件是：一步预测的状态向量估计 业已求出。定义向量的一步预测误差：2、新息过程将此式代入式（13），则有在新息过程的相关矩阵定义式（10）中代入式（14），并注意到观测矩阵C（n）是一已知的确定矩阵，故有式中Q2(n)是观测噪声v2(n)的相关矩阵，而表示（一步）预测状态误差的相关矩阵3、kalman滤波算法由上一节的的新息过程的相关知识和信息后，即可转入kalman滤波算法的核心问题的讨论：如何利用新息过程估计状态向量的预测？最自然的方法是用新息过程序列a(1),…a(n)的线性组合直接构造状态向量的一布预测：式中W1(k)表示与一步预测项对应的权矩阵，且k为离散时间。现在的问题是如何确定这个权矩阵？（1）、状态向量的一布预测 根据正交性原理，最优预测的估计误差3、kalman滤波算法应该与已知值正交，故有将式（18）代入（19），并利用新息过程的正交性，得到由此可以求出权矩阵的表达式：3、kalman滤波算法 将式（20）代入式（18），状态向量的一步预测的最小均方估计可表示为注意到 并利用状态方程(1)，易知下式对k=0，1，…，n成立：3、kalman滤波算法将式（22）代入式（21）右边第一项（求和项），可将其化简为：3、kalman滤波算法若定义 并将式（23）和式（24）代入式（21），则得到状态向量一步预测的更新公式：式（25）在kalman滤波算法中起着关键的作用，因为它表明，n+1时刻的状态向量的一步预测分为非自适应（即确定）部分 和自适应（即校正）部分G(n)a(n)。从这个意义上讲，G(n)称为kalman增益（矩阵）是合适的。3、kalman滤波算法（2）、 kalman增益的计算 为了完成kalman自适应滤波算法，需要进一步推导kalman增益的实际计算公式。由定义式（24）知，只需要推导期望项 的具体计算公式即可。 将新息过程的计算公式（13）代入式（22），不难得出： 这里使用了状态向量与观测噪声不相关的事实